[发明专利]一种基于判别性特征学习方法的AUV自适应故障诊断方法

摘要

本发明涉及AUV故障诊断技术领域，具体涉及一种基于判别性特征学习方法的AUV自适应故障诊断方法。步骤一：采集AUV状态信号；步骤二：将AUV状态信号数据进行信号处理得到判别性卷积特征学习方法CDFL网络模型的输入向量；步骤三：初始化CDFL网络模型权值；步骤四：判断是否有新增故障数据样本加入，若没有新增故障数据样本则直接进入步骤五，若有新增故障数据样本，对新增故障数据样本使用已有模型提取新增特征模式；步骤五：AUV故障分类诊断。本发明能够自主生成AUV故障信号中有效故障特征，不需再对特征学习模型进行有监督微调，简化模型与训练用时，并且采用动态补偿增量式学习策略，依据相似性实时的减少或加重故障特征的影响从而进行准确的故障诊断。

主权项

1.一种基于判别性特征学习方法的AUV自适应故障诊断方法，其特征在于，包括：步骤一：采集AUV状态信号：根据AUV故障仿真软件中所模拟的AUV正常状态、推进器推力不足、卡死故障以及传感器故障的情况，分别采集AUV在各状态下的信号数据5000组；步骤二：将AUV状态信号数据进行信号处理得到判别性卷积特征学习方法CDFL网络模型的输入向量：所述故障检测器的输入向量为AUV模型输出理论状态值与传感器实测值的残差向量，即：x(k)＝[u_r(k)，v_r(k)，w_r(k)，p_r(k)，q_r(k)，r_r(k)，roll_r(k)，pitch_r(k)，yaw_r(k)]上式中，u_r(k)，v_r(k)，w_r(k)分别表示实测纵向速度、横向速度、垂向速度与理论状态值的差值，p_r(k)，q_r(k)，r_r(k)分别表示实测纵向加速度、横向加速度、垂向加速度与理论状态值的差值，roll_r(k)，pitch_r(k)，yaw_r(k)分别表示实测横倾角、纵倾角和艏向角与理论状态值的差值，根据得到的残差向量x(k)，进行快速傅里叶分解FFT计算，并取其前2000组系数作为CDFL网络模型的输入样本；步骤三：初始化CDFL网络模型权值：CDFL网络模型主体由卷积网络加上一层SVM分类层构成，为了使网络具有局部判别能力在初始化CNN网络的滤波器权重时直接由训练BP网络来得到其权重数值，在建立了CDFL网络模型后便不再对卷积层滤波器权值进行调整，保证其是由BP网络预学习得来，在样本数据经过CDFL网络模型后，将CDFL网络模型提取到的数据特征加上故障状态标签作为SVM分类器的输入向量进行故障分类，根据SVM输出值调整SVM分类层与CDFL网络层之间的连接权值；步骤四：判断是否有新增故障数据样本加入，若没有新增故障数据样本则直接进入步骤五；若有新增故障数据样本，对新增故障数据样本使用已有模型提取新增特征模式，利用模式相似度算法计算新增特征模式中每个故障特征与原有特征模式的相似度，然后根据增量主动融合算法和权重补偿算法，进行增量合并和动态加权，得到经过动态训练加权的无标签故障数据；步骤五：AUV故障分类诊断：将有标签故障数据和经过动态训练加权的无标签故障数据作为输入向量训练SVM分类器进行故障分类，通过BP算法对CDFL与SVM连接层的网络权值进行微调，得到最优参数。